Cómo funciona el dictado por voz

De la transcripción en bruto al texto legible: puntuación, números y limpieza

Por qué una transcripción en bruto no está lista para enviar, cómo se añaden puntuación, mayúsculas, números y listas, por qué «cinco cincuenta» es ambiguo y cómo evitar que la limpieza cambie lo que querías decir.

MacWindowsiPhoneAndroid

En resumen

El reconocimiento de voz devuelve tus palabras tal como las dijiste: con muletillas, frases empezadas dos veces y sin puntuación. Un segundo paso las convierte en texto escrito: puntuación, mayúsculas, números en cifras, listas y párrafos. Ese paso tiene que interpretar, porque «cinco cincuenta» puede ser una hora, un precio o una cantidad. Una buena limpieza conserva tu sentido y tu idioma y solo cambia la forma.

Gmail

Dijiste

hola sara la llamada es a las cinco y cincuenta no perdona a las seis y cuarto y el presupuesto son doce mil quinientos euros

SayVelio escribió

Hola, Sara:

La llamada es a las 18:15 y el presupuesto son 12 500 €.

Cómo es una transcripción en bruto

Nadie habla con frases terminadas. La transcripción en bruto de un mensaje normal suele parecerse a esto:

pues eh el plan es que que mandamos el borrador el martes no el miércoles y luego este ana lo revisa

Están todas las palabras, pero nadie lo enviaría así. Para llegar a «El plan: mandamos el borrador el miércoles y luego Ana lo revisa.» hacen falta varias decisiones: quitar «eh» y «este», eliminar el «que» repetido, aplicar la autocorrección y añadir puntuación y mayúsculas.

Una transcripción en bruto con muletillas y sin puntuación junto al texto limpio
El mismo dictado antes y después de la limpieza

La puntuación es una interpretación

Los micrófonos no graban comas. La puntuación se deduce de las pausas, la entonación y la estructura de la frase, así que es una decisión editorial, no una medición. Casi siempre es evidente. A veces cambia el sentido («Vamos a comer, niños» frente a «Vamos a comer niños»), y por eso conviene leer los mensajes importantes antes de enviarlos.

Números, fechas y dinero: normalización inversa del texto

Pasar formas habladas a notación escrita tiene un nombre técnico: normalización inversa del texto (ITN). Es lo que convierte «ciento veintitrés dólares» en «123 $» y «tres de marzo» en «3 de marzo».

Es más difícil de lo que parece, porque el audio por sí solo a menudo no decide:

DicesPodría escribirse como
«cinco cincuenta»5:50 (hora), 550 (número), 5,50 € (precio)
«veinte veinticuatro»2024 (año), 20 24 (dos números), 20–24 (rango o marcador)
«uno cero uno»101, 1:01
«el tercero»3.º, el día 3, «el tercero» (una persona)

Normalmente el contexto lo resuelve, y una buena limpieza usa la frase entera para elegir. Cuando la precisión importa, di un poco más: «a las cinco y cincuenta de la tarde», «cinco euros con cincuenta».

La dirección contraria, del «123 $» escrito a palabras habladas, se llama normalización del texto y es lo que hacen los sistemas de síntesis de voz; ver reconocimiento y síntesis de voz.

Palabras correctas, formato equivocado

Reconocer y dar formato son tareas distintas. El reconocedor puede acertar todas las palabras y el resultado seguir sin servirte: una lista escrita como párrafo, una hora escrita como número, un correo formal lleno de exclamaciones. Eso es tarea de la capa de formato, y ahí ayudan los ajustes personales.

En SayVelio, esa capa es la limpieza opcional:

  • El prompt de limpieza fija las reglas generales: listas, números, tono.
  • Los estilos por app ajustan el resultado según dónde escribes: breve e informal en el chat, frases completas en el correo, órdenes exactas en una terminal.
  • El modo Rápido se salta la limpieza y mete la transcripción tal como se reconoció, cuando prefieres velocidad a pulido.

Separa «más ordenado» de «distinto»

Algunos cambios son inofensivos: mayúsculas, comas, quitar un «eh». Otros cambian lo que dijiste: sustituir un nombre, perder un «no», redondear una cifra, reformular una promesa. Una buena limpieza hace los primeros con libertad y evita los segundos.

La limpieza de SayVelio tiene la instrucción de mantener tus palabras y tu idioma, no traducir nunca y no responder a lo que dictas. Si algún resultado parece raro, cada dictado se guarda en el Historial de la app, desde donde puedes volver a copiarlo.

Preguntas frecuentes

¿Por qué ha cambiado el formato de un número en mi dictado?

La limpieza escribe los números hablados como se suelen escribir: cifras, monedas, horas. Si eligió la lectura equivocada, añade algo de contexto al hablar («a las cinco y cincuenta de la tarde») o describe tus formatos en el prompt de limpieza.

¿Puedo obtener el texto exactamente como lo dije?

Sí. Usa el modo Rápido, que inserta lo que oyó el reconocimiento de voz, sin limpieza. También te llegarán las muletillas y las frases repetidas.